تخمین سطح ایستابی با استفاده از یک روش ترکیبی بهینه شده با الگوریتم ژنتیک در دشت رامهرمز

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی منابع آب دانشگاه شهید چمران اهواز

2 گروه هیدرولوژی و منابع آب دانشگاه شهید چمران اهواز

3 استادیار گروه هیدرولوژی و منابع آب دانشگاه شهید چمران

4 استادیارگروه هیدرولوژی و منابع آب دانشگاه شهید چمران اهواز

چکیده

با توجه به اهمیت منابع آب زیرزمینی، برای محاسبه مقدار متوسط و تخمین سطح آب در دشت­ها، ضروری است که اطلاعات حاصل از برداشت نقطه­ای به سطح دشت تعمیم داده شود. به این منظور کاربرد مدل­های زمین آماری، همواره با خطا همراه بوده است، چرا که در اکثر موارد تابع برازش داده شده شامل کلیه نقاط تجربی محاسبه شده نمی­باشد. هدف از انجام این پژوهش بررسی کاربرد روش ترکیبی زمین آمار و شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک در تخمین سطح آب زیرزمینی در دشت رامهرمز می­باشد. نتایج حاصل از کاربرد روش­های کوکریجینگ، کریجینگ و روش عکس فاصله نشان داد که روش کوکریجینگ با مدل نیم­تغیرنمای گوسین، بهترین روش زمین آماری برای تخمین سطح ایستابی و ترکیب با شبکه­های عصبی می­باشد. همچنین نتایج حاصل از ترکیب این دو مدل نشان داد که مدل ترکیبی بهینه شده با الگوریتم ژنتیک دارای معیارهای ارزیابی مناسب­تری در تخمین سطح ایستابی نسبت به کاربرد روش­های زمین آماری به تنهایی می­باشد و به عنوان یک روش ترکیبی مناسب جهت تخمین سطح ایستابی پیشنهاد شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of the groundwate level by using a combined optimized method with Genetic Algorithms in Ramhormoz plain.

نویسندگان [English]

  • Reza Zamaniahmadmahmoodi 1
  • Ali mohammad . Akhondali 2
  • Heydar Zarei 3
  • Feridon Radmanesh 4
1 M.Sc Student, Dep. of Hydrology and Water Resources Engineering, Shahid Chamran University of Ahvaz, Iran. Corresponding
2 Prof, Dep. of Hydrology and Water Resources, Shahid Chamran University of Ahvaz, Iran
3 Asistant Prof, Dep. of Hydrology and Water Resources, Shahid Chamran University of Ahvaz, Iran.
4 Asistant Prof, Dep. of Hydrology and Water Resources, Shahid Chamran University of Ahvaz, Iran.
چکیده [English]

Due to the importance of groundwater resources, in order to calculate the average level and estimate the water level in plains, it is necessary to generalize the information collected from point to the plain. Application of geostatistical models has always been associated with error, because the fitness function given in most cases is not include all the experimental. The aim of this study is An investigation on the application of combined geostatistics with optimized Artificial Neural Networks by genetic algorithm in interpolation of groundwater level in Ramhormoz plain. The obtained results from Kriging, Cokriging and IDW methods, are shown cokriging with the Gaussian variogeram in Ramhormoz Plain are the best geostatistical method to estimate the groundwater level and combined with neural networks. results the combination of these two models showed that combined optimized model by genetic algorithm possesses have better evaluation criteria than geostatistical methods to  estimate groundwater level and proposed As a reasonable combined model to an estimate of the groundwater level.

کلیدواژه‌ها [English]

  • Groundwater
  • Genetic Algorithm
  • Ramhormoz plain
  • Geostatistics
  • Artificial Neural Networks

آذری، ا. ۱۳۸۷. برآورد میزان بار گاز مصرفی شهر تهران با استفاده از فناوری شبکه های عصبی. نشریه­ دانشکده فنی. جلد ۴۲(8) ، ص۹۶۱ تا ۹۶8.

2. اصغری مقدم، ا.، ع. ندیری و ا. فیجانی. 1388. پیش­بینی مکانی غلظت فلوئورید با استفاده از مدل­های شبکه­های عصبی مصنوعی و زمین آمار. مجله دانش آب وخاک. جلد19(2)، ص145-129.

3. حاجی­هاشمی­جزی، م.، م. آتشگاهی و ا.ح. حمیدیان. 1389. برآورد مکانی مولفه­های کیفی آب­های زیرزمینی با استفاده از روش­های زمین آمار(مطالعه موردی: دشت گلپایگان). نشریه محیط زیست طبیعی، مجله منابع طبیعی ایران. دوره (4)63، ص357-347.

4. حسنی پاک، ع.ا. 1377. زمین آمار (ژئواستاتیستیک)، انتشارات دانشگاه تهران، 314 ص.

5. دهقانی، ا.، ا. عسگری و ا. مساعدی. 1389. مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاجی فازی-عصبی تطبیقی و زمین آمار در میان­یابی سطح آب زیرزمینی (مطالعه موردی:دشت قزوین). مجله علوم کشاورزی و منابع طبیعی، 16(ب-1).

6. رحمانی، غ.ر. 1390.شبیه­سازی منابع آب زیرزمینی دشت عقیلی با استفاده از شبکه­های عصبی مصنوعی و مقایسه آن با نتایج مدل ریاضی تفاضلات محدود. پایان نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز، 157 ص.

7. زارعی، ح. و ع.م. آخوندعلی. 1386. مقایسه روش­های زمین آماری و آمار کلاسیک در ترسیم هیدروگراف واحد آب زیر زمینی. طرح پژوهشی سازمان آب و برق خوزستان. 71 ص.

8. زمانی، ­ا. و ر. محمودی. 1391. بررسی کاربرد روش ترکیبی زمین آمار و شبکه­ عصبی مصنوعی بهینه شده با الگوریتم ژنتیک در میان­یابی سطح آب زیرزمینی، پایان­نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز، 152ص.

9. زهرایی، ب. و س.م. حسینی. 1388. الگوریتم ژنتیک و بهینه­سازی مهندسی، انتشارات گوتنبرگ.

10. محمدی، ج. 1385. پدومتری- جلد دوم (آمار مکانی). انتشارات پلک، 452 ص.

11. Amorim, A.M.T., A.B. Gonçalves, L.M. Nunes and A.J. Sousa. 2012. Optimizing the location of weather monitoring stations using estimation uncertainty. International Journal of Climatology 32 (6) , pp. 941-952.

12. Barcae, E. and G. Passarella. 2008. Spatial evaluation of the risk of groundwater quality degradation: Acomparison between disjunctive kriging and geostatistical simulation , Journal ofEnvironmental Monitoring and Assessment.133: 261-273.

13. Diamantopoulou, M.J., V.Z. Antonopoulos and D.M. Papamichail. 2005. The use of a neural network technique for the prediction of water quality parameters of Axios River in Northern Greece. European Water. 11/12, 5562.

14. Ghahreman, B., M. Hoseini and H. Asgari. 2005. Application of Geostatistics in Ground WaterQuality. Journal of Technical and Engineering. Amir Kabir Univ., 55 No 5, 971-981.

15. Kholghi, M. and S.M. Hosseini. 2009. Comparison of Groundwater Level Estimation UsingNeuro-fuzzy and Ordinary Kriging. Journal of Environmental Modeling and Assessment, 14 No 6,729-753.

17. Steyl, G. 2009. Application of Artificial Neural Networks in the Field of Geohydrology. University of the Free State, South Africa

18. Sreekanth, P.D., N. Geethanjali, P.D. Sreedevi, A. Shakeel, N. Ravi Kumar and P.D. Kamala Jayanthi. 2009. Forecasting groundwater level using artificial neural networks, CURRENT SCIENCE, VOL. 96, and NO. 7, 10 Aprill.

19. Wei ,S., B. Minasny and A. McBratney. 2012. Analysis and prediction of soil properties using local regression- kriging. Geoderma. 171-172, 16-23.